يهدف التجزئة القليلة الصور (FSS) إلى تجزئة فئة مستهدفة باستخدام عدد قليل من الصور المُعلَّمة (مجموعة الدعم). ولاستخراج المعلومات ذات الصلة بالفئة المستهدفة، يعتمد النهج السائد في أكثر طرق FSS فعالية على إزالة الميزات الخلفية باستخدام قناع الدعم. لاحظنا أن هذه الإزالة المُحدودة للميزات من خلال قناع الدعم يُحدث عقدة معلوماتية في حالات FSS الصعبة، مثل الأهداف الصغيرة و/أو الحدود غير الدقيقة للهدف. ولحل هذه المشكلة، نقدم طريقة جديدة تُسمى MSI، والتي تُحسّن بشكل مثالي معلومات مجموعة الدعم من خلال استغلال مصدرين متكاملين للميزات لإنشاء خرائط ترابط مُتفوّقة. وقد قمنا بتوثيق فعالية منهجنا من خلال تطبيقه على ثلاث طرق حديثة وقوية لـ FSS. تُظهر النتائج التجريبية على عدة معايير مفتوحة المصدر لـ FSS أن طريقة المقترحة تُحسّن الأداء بشكل ملحوظ ومستمر، وتساهم في تقارب أسرع. يمكن الاطلاع على الكود والنموذج المدرب عبر الرابط التالي: https://github.com/moonsh/MSI-Maximize-Support-Set-Information